[去噪论文]--ICCV2019-Real Image Denoising with Feature Attention

摘要：

深度卷积神经网络在含有空间不变噪声(合成噪声)的图像上表现更好;然而，它们的性能在真实的噪声照片上存在局限，需要多阶段的网络建模。为了提高去噪算法的实用性，本文提出了一种采用模块化结构的一阶段盲真图像去噪网络(RIDNet)。我们利用残差结构上的残差来缓解低频信息的流动，并利用特征注意来挖掘信道的相关性。此外，通过对19种最新算法的3个合成数据集和4个真实噪声数据集的定量度量和视觉质量的评估，证明了我们的RIDNet的优越性。

正文：

Motivation:

图像去图像去噪是一项低层次的视觉任务，在很多方面都是必不可少的。首先，在图像采集过程中，不可避免地会产生一些噪声破坏，从而大大降低图像的视觉质量;噪是一项低层次的视觉任务，在很多方面都是必不可少的。首先，在图像采集过程中，不可避免地会产生一些噪声破坏，从而大大降低图像的视觉质量；以往的去噪方法主要包含两种：model-based，learning-based。model-based方法计算量大，非常耗时，无法直接抑制空间变异噪声，无法表征复杂的图像纹理。与此同时，目前的学习模型的性能是有限的，是为特定的噪音水平量身定做的，以往的模型如CBDNet，主要包含两个阶段：第一步是噪声的估计，第二步是非盲去噪。一个实用的去噪算法应该是高效的、灵活的、使用单一模型进行去噪，并且在噪声标准偏差已知或未知的情况下同时处理空间变噪声和不变噪声。
本文的主要贡献如下:
•提出基于CNN的真实图像去噪方法，采用两阶段模型;我们提出的第一个模型，提供了最先进的结果，只使用一个阶段；
•据我们所知，我们的模型是第一个在去噪中加入特征注意的模型；
•目前大多数模型的是连续连接的;因此，增加深度并不能帮助提高性能。同样，这样的网络也会受到梯度消失的影响。我们提出了一个模块化网络，其中增加模块的数量有助于提高性能；
•我们在三个合成图像数据集和四个真实图像噪声数据集上进行了实验，表明我们的模型在合成图像和真实图像的定量和定性上都达到了最新的水平。
网络结构-RIDNet:

网络结构主要包含特征提取，4个EAM组成的残差模型，重建三个部分。主要说一下EAM的结构：
1.两个空洞卷积分支，用来增大感受野，然后拼接+一个卷积融合
2.两个类似残差学习结构，用来特征提取
3.通道注意力机制（CA), 如下图

损失函数–MAE：

实验结果：

主要看一下消融实验结果：

备注：去噪论文也可以使用类似于超分的方法来做，而且注意力机制刚刚引入，可以关注一下！